本研究探讨了微流控芯片的侧向位移分离，利用神经网络和多目标进化算法构建自动化设计工具，测试结果显示误差小于4%。同时，分析了大型语言模型在生物化学领域的应用，提出了边际期望语言模型优化方法，展示了其在生物序列生成和优化中的潜力。

本文研究了多目标进化算法（GSEMO-C）在子模最大化问题上的应用，证明其在多项式期望时间内能够实现良好的近似效果。同时探讨了三目标公式在动态约束背包问题中的优势，以及滑动窗口加速技术在最大覆盖问题中的应用。研究表明，MOEA/D算法在多目标优化中表现优越，并提出了一种基于子网络的算法用于卷积神经网络裁剪，具有广泛的应用价值。

本研究提出了一种新的笛卡尔遗传编程方法，通过多目标进化算法优化神经结构搜索，实验结果表明其在分类性能和模型复杂度上具有竞争力。同时，研究探讨了基于多维基因编程的演化计算方法，显著提升了回归问题的表现。

本文研究了子模优化问题及其算法，包括贪心算法和多目标进化算法GSEMO-C，探讨了在社交网络和最大覆盖问题中的应用。提出了滑动窗口加速技术和不确定性感知搜索框架，显著提升了算法的性能和效率。

本文介绍了一种模块化结构和全局互连性的进化脉冲神经网络架构，以及一种高性能、高效能、低能耗的多目标进化算法。实验表明该模型具有稳定优异的性能和能效提升，并初步探索了人脑生物神经网络的进化机制。